論文の概要: Collaborative Enhancement Network for Low-quality Multi-spectral Vehicle Re-identification

• arxiv url: http://arxiv.org/abs/2504.14877v1
• Date: Mon, 21 Apr 2025 06:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 19:24:36.258938
• Title: Collaborative Enhancement Network for Low-quality Multi-spectral Vehicle Re-identification
• Title（参考訳）: 低品質マルチスペクトル車両再識別のための協調的強化ネットワーク
• Authors: Aihua Zheng, Yongqi Sun, Zi Wang, Chenglong Li, Jin Tang,
• Abstract要約: マルチスペクトル車両再識別(ReID)の性能は、可視、近赤外、熱赤外スペクトルが失われると著しく低下する。 既存の手法は、一般に一次スペクトルと呼ばれる高品質のスペクトルを用いて、低品質のスペクトルデータの欠落の詳細を生成または強化する。 すべてのスペクトルデータから高品質なプロキシを生成するコラボレーティブ・エンハンスメント・ネットワーク(CoEN)を提案する。
• 参考スコア（独自算出の注目度）: 23.520785716235398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of multi-spectral vehicle Re-identification (ReID) is significantly degraded when some important discriminative cues in visible, near infrared and thermal infrared spectra are lost. Existing methods generate or enhance missing details in low-quality spectra data using the high-quality one, generally called the primary spectrum, but how to justify the primary spectrum is a challenging problem. In addition, when the quality of the primary spectrum is low, the enhancement effect would be greatly degraded, thus limiting the performance of multi-spectral vehicle ReID. To address these problems, we propose the Collaborative Enhancement Network (CoEN), which generates a high-quality proxy from all spectra data and leverages it to supervise the selection of primary spectrum and enhance all spectra features in a collaborative manner, for robust multi-spectral vehicle ReID. First, to integrate the rich cues from all spectra data, we design the Proxy Generator (PG) to progressively aggregate multi-spectral features. Second, we design the Dynamic Quality Sort Module (DQSM), which sorts all spectra data by measuring their correlations with the proxy, to accurately select the primary spectra with the highest correlation. Finally, we design the Collaborative Enhancement Module (CEM) to effectively compensate for missing contents of all spectra by collaborating the primary spectra and the proxy, thereby mitigating the impact of low-quality primary spectra. Extensive experiments on three benchmark datasets are conducted to validate the efficacy of the proposed approach against other multi-spectral vehicle ReID methods. The codes will be released at https://github.com/yongqisun/CoEN.
• Abstract（参考訳）: 多スペクトル車両再識別(ReID)の性能は、可視、近赤外、熱赤外スペクトルが失われる重要な識別的手がかりが失われると著しく低下する。 既存の手法は、一般に一次スペクトルと呼ばれる高品質のスペクトルデータにおいて欠落した詳細を生成または強化するが、一次スペクトルを正当化する方法は難しい問題である。 さらに、一次スペクトルの品質が低い場合には、増幅効果が大幅に低下し、多スペクトル車両ReIDの性能が低下する。 これらの問題に対処するため,コラボレーティブ・エンハンスメント・ネットワーク (CoEN) を提案する。これは全てのスペクトルデータから高品質なプロキシを生成し,それを活用して一次スペクトルの選択を監督し,ロバストなマルチスペクトル車両ReIDのために,全てのスペクトル特徴を協調的に拡張する。 まず、全てのスペクトルデータからリッチなキューを統合するために、プロクシージェネレータ(PG)を設計し、徐々に多スペクトルの特徴を集約する。 第二にDQSM(Dynamic Quality Sort Module)を設計し、プロキシとの相関を計測することで全てのスペクトルデータをソートし、最も高い相関で一次スペクトルを正確に選択する。 最後に,CEM(Collaborative Enhancement Module)を設計し,プライマリスペクトルとプロキシを協調することで,すべてのスペクトルの欠落内容を効果的に補償し,低品質のプライマリスペクトルの影響を軽減する。 提案手法が他のマルチスペクトル車両ReID法に対して有効であることを示すために,3つのベンチマークデータセットの大規模な実験を行った。 コードはhttps://github.com/yongqisun/CoEN.comで公開される。

関連論文リスト

• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [75.25966323298003]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 我々は、$textbfC$amera-$textbfA$gnostic $textbfR$esupervised $textbfL$のモデルである$textbfCARL$を紹介した。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Towards Ultimate NMR Resolution with Deep Learning [0.0]
  多次元NMR分光法では、実測分解能は、重なり合うピーク、熱ノイズ、スペクトルアーティファクトの背景に対する信号位置を識別し、正確に決定する能力として定義される。 最終的な解決を追求するために,各スペクトル点に確率を割り当てる統計的スペクトル表現であるピーク確率プレゼンテーション(P3$)を導入し,その位置で発生するピーク最大値の確率を示す。 スペクトルと$P3$の間のマッピングは、多次元NMRスペクトルを扱うように設計された物理に着想を得たディープラーニングニューラルネットワークアーキテクチャであるMR-Aiを用いて達成される。
  論文  参考訳（メタデータ） (2025-02-28T07:20:25Z)
• Cross-Spectral Attention for Unsupervised RGB-IR Face Verification and Person Re-identification [1.6768151308423365]
  可視光(RGB)や赤外線(IR)バンドからの顔や人の画像のマッチングなどの分光バイオメトリクスは、過去10年間で急速に進歩してきた。 本稿では,(1)新しい擬似三重項損失とクロススペクトル投票,(2)複数の部分空間を利用した新しいクロススペクトルアテンションネットワーク,(3)より識別性の高いクロススペクトルクラスタリングを実現するための構造化された空間性を提案する。
  論文  参考訳（メタデータ） (2024-11-28T15:38:15Z)
• Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
  画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。 スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T14:24:03Z)
• TOP-ReID: Multi-spectral Object Re-Identification with Token Permutation [64.65950381870742]
  マルチスペクトルオブジェクトReID, Dubbled TOP-ReIDのための循環トークン置換フレームワークを提案する。 また,巡回多スペクトル特徴アグリゲーションのためのToken Permutation Module (TPM)を提案する。 提案するフレームワークは,ロバストなオブジェクトReIDに対して,より識別性の高いマルチスペクトル特徴を生成できる。
  論文  参考訳（メタデータ） (2023-12-15T08:54:15Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)
• Hyperspectral Images Classification and Dimensionality Reduction using spectral interaction and SVM classifier [0.0]
  ハイパースペクトル画像(HSI)の高次元性は、収集したデータを分析する上で大きな課題の1つである。 ノイズ、冗長、無関係なバンドの存在は、計算複雑性を増大させる。 本稿では,スペクトル相互作用尺度に基づく新しいフィルタ手法と,次元減少のための支持ベクトルマシンを提案する。
  論文  参考訳（メタデータ） (2022-10-27T15:37:57Z)
• There and Back Again: Self-supervised Multispectral Correspondence Estimation [13.56924750612194]
  自己監督が可能な新しいサイクル一貫性指標を紹介します。 これにより、スペクトルに依存しない損失関数と組み合わせることで、同じネットワークを複数のスペクトルにわたってトレーニングできます。 本研究では,高密度RGB-FIR対応推定の課題に対するアプローチを示す。
  論文  参考訳（メタデータ） (2021-03-19T12:33:56Z)
• Cross-Spectral Periocular Recognition with Conditional Adversarial Networks [59.17685450892182]
  本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。 EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
  論文  参考訳（メタデータ） (2020-08-26T15:02:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。